最近，又一款國(guó)產(chǎn) AI 神器吸引了眾網(wǎng)友和圈內(nèi)研究人員的關(guān)注！它就是全新的圖像和視頻生成控制工具 —— ControlNeXt，由思謀科技創(chuàng)始人、港科大講座教授賈佳亞團(tuán)隊(duì)開(kāi)發(fā)。

X 平臺(tái)上知名 AI 博主「AK」推薦

從命名來(lái)看，ControlNeXt 「致敬」了斯坦福大學(xué)研究團(tuán)隊(duì)在 2023 年 2 月提出的 ControlNet，通過(guò)引入一些額外的控制信號(hào)，讓預(yù)訓(xùn)練的圖像擴(kuò)散模型（如 Stable Diffusion）根據(jù)預(yù)設(shè)的條件調(diào)整和優(yōu)化，實(shí)現(xiàn)線稿生成全彩圖，還能做語(yǔ)義分割、邊緣檢測(cè)、人體姿勢(shì)識(shí)別。

如果說(shuō) ControlNet 開(kāi)啟了大模型多樣化玩法的先河，那么 ControlNeXt 在生成速度、精準(zhǔn)控制和用戶友好性等方面迎來(lái)全方位優(yōu)化。重要的是，ControlNeXt 只用不到 ControlNet 10% 的訓(xùn)練參數(shù)，可以稱得上是下一代「小鋼炮版」ControlNet 了。

截至目前，ControlNeXt 兼容了多款 Stable Diffusion 家族圖像生成模型（包括 SD1.5、SDXL、SD3），以及視頻生成模型 SVD。并且，ControlNeXt 對(duì)這些模型都做到即插即用，無(wú)需額外配置便能輕松玩轉(zhuǎn)各種控制指令，便捷性拉滿。該項(xiàng)目的 GitHub 星標(biāo)已達(dá) 1.1k。

項(xiàng)目地址：https://github.com/dvlab-research/ControlNeXt

實(shí)戰(zhàn)效果究竟如何？下面一波 ControlNeXt 的 Demo 示例會(huì)給我們答案。

ControlNeXt 支持 Canny（邊緣）條件控制，在 SDXL 中，通過(guò)提取下圖（最左）輸入圖像的 Canny 邊緣，輸出不同風(fēng)格的圖像。

當(dāng)然，更復(fù)雜的畫(huà)面輪廓和控制線條也能輕松搞定。

ControlNeXt 還支持掩模（mask）和景深（depth）條件控制，下圖分別為 SD 1.5 中掩模與景深可控生成效果，很有一筆成畫(huà)的味道。

同樣在 SD 1.5 中，ControlNeXt 支持姿勢(shì)（pose）條件控制，并且無(wú)需訓(xùn)練即可無(wú)縫集成各種 LoRA 權(quán)重。配合使用人體姿勢(shì)控制與 LoRA，在保持動(dòng)作相同的前提下，多樣風(fēng)格的人物呼之欲出，比如戰(zhàn)士（Warrior）、原神（Genshin）、國(guó)畫(huà)（Chinese Painting）和動(dòng)畫(huà)（Animation）。

使用 ControlNeXt 后，SD3 支持了超分辨率（SR），讓模糊圖像「變身」超高清畫(huà)質(zhì)。

在視頻生成模型 SVD 中，ControlNeXt 實(shí)現(xiàn)了對(duì)人體姿勢(shì)動(dòng)作的整體控制，尤其連手指動(dòng)作的模仿都非常精準(zhǔn)。

不夸張的說(shuō)，在視覺(jué)條件生成這塊，ControlNeXt 成為了更全能的「選手」。它的亮眼視效折服了網(wǎng)友，甚至有人認(rèn)為「ControlNeXt 是游戲改變者，在可控圖像和視頻生成方面表現(xiàn)出色，可以想象未來(lái)社區(qū)會(huì)拿它做更多二創(chuàng)工作。」

而 ControlNeXt 體驗(yàn)全方位提升的背后，離不開(kāi)賈佳亞團(tuán)隊(duì)在輕量級(jí)條件控制模塊設(shè)計(jì)、控制注入位置和方式的選擇、交叉歸一化技術(shù)的使用等多個(gè)方面的獨(dú)到思路。

正是有了這些創(chuàng)新，才帶來(lái)了 ControlNeXt 訓(xùn)練參數(shù)、計(jì)算開(kāi)銷和內(nèi)存占用的全面「瘦身」，以及模型訓(xùn)練收斂和推理層面的「提速」。

架構(gòu)創(chuàng)新

讓 ControlNeXt 更輕、更快、更強(qiáng)

在剖析 ControlNeXt 有哪些創(chuàng)新之前，我們先來(lái)了解一下當(dāng)前可控生成方法的不足，這樣更能看到賈佳亞團(tuán)隊(duì)在架構(gòu)上「有的放矢」的優(yōu)化。

以 ControlNet、T2I-Adapter 等典型方法為例，它們通過(guò)添加并行分支或適配器來(lái)處理和注入額外條件。接下來(lái)與去噪主分支并行處理輔助控制以提取細(xì)粒度特征，利用零卷積和交叉注意力來(lái)整合條件控制并指導(dǎo)去噪過(guò)程。

這些操作往往會(huì)帶來(lái)計(jì)算成本和訓(xùn)練開(kāi)銷的顯著增加，甚至導(dǎo)致 GPU 內(nèi)存增加一倍，還需要引入大量新的訓(xùn)練參數(shù)。尤其針對(duì)視頻生成模型，需要重復(fù)處理每個(gè)單獨(dú)幀，挑戰(zhàn)更大。

賈佳亞團(tuán)隊(duì)首先要做的便是架構(gòu)層面的剪枝。他們認(rèn)為，預(yù)訓(xùn)練的大型生成模型已經(jīng)足夠強(qiáng)大，無(wú)需引入大量額外參數(shù)來(lái)實(shí)現(xiàn)控制生成能力。ControlNeXt 移除 ControlNet 中龐大的控制分支（control branch），改而使用由多個(gè) ResNet 塊組成的輕量級(jí)卷積模塊。

ControlNeXt 整體訓(xùn)練流程

該模塊的規(guī)模比預(yù)訓(xùn)練模型小得多，用于從控制條件中提取景深、人體姿勢(shì)骨骼、邊緣圖等特征表示，并與去噪特征對(duì)齊。過(guò)程中更多依賴模型本身來(lái)處理控制信號(hào)，在訓(xùn)練期間凍結(jié)大部分預(yù)訓(xùn)練模塊，并有選擇性地優(yōu)化模型的一小部分可學(xué)習(xí)參數(shù)，最大程度降低訓(xùn)練過(guò)程中可能出現(xiàn)的遺忘風(fēng)險(xiǎn)。

從結(jié)果來(lái)看，在適配 SD、SDXL、SVD 等預(yù)訓(xùn)練模型時(shí)，ControlNeXt 的訓(xùn)練參數(shù)量通常不及 ControlNet 的 10%，計(jì)算開(kāi)銷和內(nèi)存占用大大降低。ControlNeXt 在 SD 1.5、SDXL 和 SVD 中的可學(xué)習(xí)參數(shù)量分別為 3000 萬(wàn)、1.08 億和 5500 萬(wàn)，相較于 ControlNet 有了數(shù)量級(jí)減少（3.61 億、12.51 億和 6.82 億）。

同時(shí)輕量級(jí)模塊的引入使得 ControlNeXt 在推理階段不會(huì)出現(xiàn)明顯的延遲，因而生成速度會(huì)更快。如下圖所示，在 SD 1.5、SDXL 和 SVD 模型中，ControlNeXt 的推理時(shí)間更短，相較于 ControlNet 更具效率優(yōu)勢(shì)。

另一方面，ControlNeXt 在控制條件的注入層面做了創(chuàng)新。他們觀察到，在大多數(shù)可控生成任務(wù)中，條件控制的形式往往很簡(jiǎn)單或與去噪特征保持高度一致，因而沒(méi)有必要在去噪網(wǎng)絡(luò)的每一層重復(fù)注入控制信息。

賈佳亞團(tuán)隊(duì)選擇在網(wǎng)絡(luò)中間層聚合并對(duì)齊條件控制特征與去噪特征，這里用到了關(guān)鍵的交叉歸一化（Cross Normalization）技術(shù)。該技術(shù)讓 ControlNeXt 不用像傳統(tǒng)方法那樣利用零初始化來(lái)引入額外學(xué)習(xí)參數(shù)，還解決了初始化階段的訓(xùn)練不穩(wěn)定性和收斂速度慢等問(wèn)題。

得益于交叉歸一化，ControlNeXt 的訓(xùn)練速度得到提升，并在訓(xùn)練初期也能確保生成控制的有效性，降低對(duì)網(wǎng)絡(luò)權(quán)重初始化的敏感度。從下圖可以看到，ControlNeXt 實(shí)現(xiàn)了更快的訓(xùn)練收斂和數(shù)據(jù)擬合，只需要 400 步左右便開(kāi)始收斂。相比之下，ControlNet 則需要走完十倍甚至幾十倍的訓(xùn)練步數(shù)。

可以說(shuō)，ControlNeXt 很好解決了以往可控生成方法存在的較高計(jì)算成本、GPU 內(nèi)存占用和推理時(shí)延，用更少參數(shù)、更低成本實(shí)現(xiàn)了與以往方法相當(dāng)甚至更好的控制效果和泛化性能。

而跳出此次研究本身，ControlNeXt 也是過(guò)去兩年賈佳亞團(tuán)隊(duì)努力方向的寫(xiě)照，他們致力于拿少參數(shù)、少算力來(lái)深挖大模型潛能。這顯然與當(dāng)前大模型領(lǐng)域的「摩爾定律」Scaling Law 走的是不同的路，后者通常憑借大參數(shù)、大數(shù)據(jù)和大算力來(lái)提升模型性能。

不盲跟 Scaling Law

走出不一樣的大模型之路

當(dāng)前，Scaling Law 仍然在發(fā)揮著作用，通過(guò)「加碼」參數(shù)、數(shù)據(jù)和算力來(lái)增效是大多數(shù)圈內(nèi)玩家的主流做法，OpenAI 的 GPT 系列模型是其中的典型代表，對(duì)大模型領(lǐng)域產(chǎn)生了深遠(yuǎn)的影響。

隨之而來(lái)的是更高的訓(xùn)練成本、更多的數(shù)據(jù)和計(jì)算資源，這些不會(huì)對(duì)財(cái)力雄厚的大廠們?cè)斐商鄩毫Α５珜?duì)那些預(yù)算相對(duì)不足的科研機(jī)構(gòu)和個(gè)人開(kāi)發(fā)者而言，挑戰(zhàn)很大，尤其是當(dāng)下 GPU 顯卡還越來(lái)越貴。

其實(shí)，拼 Scaling Law 并不是模型提效的唯一途徑，從長(zhǎng)期看也有局限性。很多業(yè)內(nèi)人士認(rèn)為，隨著時(shí)間推移，當(dāng)模型參數(shù)規(guī)模達(dá)到一定程度時(shí)，性能提升速度可能會(huì)放緩。同時(shí)高質(zhì)量訓(xùn)練數(shù)據(jù)的持續(xù)獲取也是亟需解決的一大難題。

今年 6 月，普林斯頓大學(xué)計(jì)算機(jī)科學(xué)系教授 Arvind Narayanan 等二人在他們的文章《AI scaling myths》中表示 AI 行業(yè)正經(jīng)歷模型規(guī)模下行的壓力，過(guò)去一年大部分開(kāi)發(fā)工作落在了小模型上，比如 Anthropic 的 Claude 3.5 Sonnet、谷歌的 Gemini 1.5 Pro，甚至 OpenAI 也推出了 GPT-4o mini，參數(shù)規(guī)模雖小、性能同樣強(qiáng)大且更便宜。

賈佳亞團(tuán)隊(duì)秉持類似理念，沒(méi)有選擇無(wú)限堆數(shù)據(jù)、參數(shù)和算力的傳統(tǒng)做法。2024 世界機(jī)器人大會(huì)上，賈佳亞在接受采訪時(shí)談到了 Scaling Law，他表示在自己團(tuán)隊(duì)的研究中不會(huì)對(duì)它進(jìn)行明確的定義，使用 1 萬(wàn)張卡訓(xùn)練出來(lái)的模型或系統(tǒng)不一定就比 5000 張卡訓(xùn)練出的更好。

賈佳亞認(rèn)為應(yīng)該更多地在模型算法層面進(jìn)行創(chuàng)新，在工程層面最大程度地提高 GPU 顯卡的利用率、降低功耗，力求用更少的計(jì)算量達(dá)到同樣的效果。

同時(shí)關(guān)注偏垂類的行業(yè)和場(chǎng)景，通過(guò)持續(xù)的技術(shù)迭代，把算力等資源投入集中在一點(diǎn)，將某個(gè)領(lǐng)域的模型做得更精、更專，而不像其他玩家那樣耗巨資開(kāi)發(fā)超大規(guī)模通用大模型。

小算力也能出大成果

包括 ControlNeXt 在內(nèi)，不盲從 Scaling Law 的思路已經(jīng)在賈佳亞團(tuán)隊(duì)過(guò)去兩年的系列成果中得到了充分驗(yàn)證，覆蓋了多模態(tài)大模型、超長(zhǎng)文本擴(kuò)展技術(shù)和視覺(jué)語(yǔ)言模型等多個(gè)研究方向。

2023 年 8 月，賈佳亞團(tuán)隊(duì)提出 LISA，解鎖多模態(tài)大模型「推理分割」能力。LISA 只需要在 8 張 24GB 顯存的 3090 顯卡上進(jìn)行 10000 次迭代訓(xùn)練，即可完成 70 億參數(shù)模型的訓(xùn)練。

結(jié)果表明，LISA 在訓(xùn)練中僅使用不包含復(fù)雜推理的分割數(shù)據(jù)，就能在推理分割任務(wù)上展現(xiàn)出優(yōu)異的零樣本泛化能力，并在使用額外的推理分割數(shù)據(jù)微調(diào)后讓分割效果更上一個(gè)臺(tái)階。

LISA 效果展示

LISA 的成功只是少算力探索的牛刀小試，賈佳亞團(tuán)隊(duì)在 2023 年 10 月提出了超長(zhǎng)文本擴(kuò)展技術(shù) LongLoRA，在單臺(tái) 8x A100 設(shè)備上，LongLoRA 將 LLaMA2 7B 從 4k 上下文擴(kuò)展到 100k， LLaMA2 70B 擴(kuò)展到 32k。LongLoRA 還被接收為 ICLR 2024 Oral。

在喂給 LongLoRA 加持的 Llama2-13B 超長(zhǎng)篇幅的科幻巨著《三體》后，它可以為你詳細(xì)總結(jié)「史強(qiáng)對(duì)整個(gè)人類社會(huì)的重要性」。

該團(tuán)隊(duì)還于 2023 年 12 月提出 LLaMA-VID，旨在解決視覺(jué)語(yǔ)言模型在處理長(zhǎng)視頻時(shí)因視覺(jué) token 過(guò)多導(dǎo)致的計(jì)算負(fù)擔(dān)，通過(guò)將視頻中每一幀圖像的 token 數(shù)壓縮到了 2 個(gè)，實(shí)現(xiàn)了單圖之外短視頻甚至 3 小時(shí)時(shí)長(zhǎng)電影的輸入處理。

LLaMA-VID 被 ECCV 2024 接收。此外，賈佳亞團(tuán)隊(duì)還提供了 LLaMA-VID 試用版本，由單個(gè) 3090 GPU 實(shí)現(xiàn)，支持 30 分鐘的視頻處理。感興趣的小伙伴可以嘗試一下。

今年 4 月，賈佳亞團(tuán)隊(duì)又提出了 Mini-Gemini，從高清圖像精確理解、高質(zhì)量數(shù)據(jù)集、結(jié)合圖像推理與生成三個(gè)層面挖掘視覺(jué)語(yǔ)言模型的潛力。

為了增強(qiáng)視覺(jué) token，Mini-Gemini 利用額外的視覺(jué)編碼器來(lái)做高分辨率優(yōu)化。同時(shí)僅使用 2-3M 數(shù)據(jù)，便實(shí)現(xiàn)了對(duì)圖像理解、推理和生成的統(tǒng)一流程。實(shí)驗(yàn)結(jié)果表明，Mini-Gemini 在各種 Zero-shot 的榜單上毫不遜色各大廠用大量數(shù)據(jù)堆出來(lái)的模型。

在延續(xù)谷歌 Gemini 識(shí)別圖片內(nèi)容并給出建議的能力基礎(chǔ)上，Mini-Gemini 還能生成一只對(duì)應(yīng)的毛絨小熊

對(duì)于開(kāi)源社區(qū)最大的好消息是，Mini-Gemini 的代碼、模型和數(shù)據(jù)全部開(kāi)源，讓開(kāi)發(fā)者們體驗(yàn)「GPT-4 + Dall-E 3」的強(qiáng)大組合。賈佳亞透露，Mini-Gemini 第二個(gè)版本即將到來(lái)，屆時(shí)將接入語(yǔ)音模塊。

得益于開(kāi)源以及算力需求相對(duì)低的特性，賈佳亞團(tuán)隊(duì)的項(xiàng)目在 GitHub 上受到了開(kāi)發(fā)者的廣泛喜愛(ài)，LISA、LongLoRA 和 Mini-Gemini 的星標(biāo)數(shù)分別達(dá)到了 1.7k、2.6k 和 3.1k。

從 LISA 到最新提出的 ControlNeXt，賈佳亞團(tuán)隊(duì)走穩(wěn)了少參數(shù)、小算力突破這條路。由于計(jì)算資源投入不大，這些模型也更容易實(shí)現(xiàn)商業(yè)化應(yīng)用落地。

可以預(yù)見(jiàn)，未來(lái)在持續(xù)技術(shù)創(chuàng)新的驅(qū)動(dòng)下，我們將看到更多「小而彌堅(jiān)」的大模型成果出現(xiàn)。

本文轉(zhuǎn)自 機(jī)器之心 ，作者：關(guān)注生成式AI的

原文鏈接:??https://mp.weixin.qq.com/s/IBqOmZbSCcdRvyFRdcXMLQ??